在构建基于大模型的智能代理时，Context Engineering（上下文工程）至关重要。Philipp Schmid总结了5条实用经验，适用于Google DeepMind Gemini等系统：
1. 上下文顺序要合理：采用“追加式”上下文管理，将新信息添加到末尾，有助于提升缓存命中率，显著降低延迟和成本（可减少4倍开销）。
2. 工具管理需稳定：避免中途变更工具顺序或可用性，否则会破坏上下文缓存，导致模型混淆，影响任务连贯性。
3. 利用外部存储记忆：将上下文和目标显式或隐式地写入外部存储，防止信息丢失。典型任务中，Manus平均调用工具约50次，外部记忆极为关键。
4. 定期复述目标：让模型周期性重申任务目标，避免“迷失”，确保主要目标始终在模型关注范围内。
5. 保留错误信息：把错误信息保存在上下文中，帮助模型从错误中学习，避免重复犯错。
这些方法看似简单，却极大提升了AI代理的稳定性和效率，是从实践中总结的宝贵经验。尤其是在多工具调用、高频交互场景下，良好的上下文设计是区分“有效工作代理”与“混乱状态”的关键。
完整讨论与应用案例见原文：x.com/_philschmid/status/1982861526466707477
思考：随着AI系统复杂度提升，Context Engineering不仅是技术细节，更是实现智能连续性和成本控制的核心。未来，如何自动化优化上下文管理和错误学习，将是推动AI实用化的重要方向。
